智能代码知识图谱
静态解析仓库模块、类、函数与接口调用关系，把一次 Git Diff 准确映射到受影响的入口函数、API 与页面，而非停留在文件颗粒度。
Not translated yet — showing the Chinese originals.
OpenQA · Verification Capability
变更影响分析与精准回归：智能代码知识图谱与智能代码覆盖率驱动
智测 OpenQA 通过智能代码知识图谱、接口依赖链、线上真实流量和智能代码覆盖率多层探针，深度分析每次代码提交的影响范围，自动选择需要重跑的用例、精准补齐未覆盖路径，把全量回归收敛到变更相关的高风险范围。
每天多次合并、回归排队的研发团队回归套件运行时间超过一小时的测试团队想把测试接入 Coding Agent 工作流的平台团队推进精准测试与代码级质量门禁的架构团队
什么是变更影响分析与精准回归
变更影响分析是基于智能代码知识图谱解析代码抽象语法树（AST）、调用拓扑与接口消费依赖，结合智能代码覆盖率探针推断受影响接口、页面和业务流程的方法。精准回归是其核心实践：以变更影响面代替“每次盲目全量回归”，在确保零缺陷逃逸的前提下成倍缩短回归耗时。
核心能力
智能代码覆盖率分析
打通单元测试、接口测试与 UI 自动化三层探针，统计增量代码覆盖率，精准指出本次改动中未被任何测试触达的代码盲区。
智能用例选择与排序
结合历史缺陷率、变更距离与执行成本对候选用例动态加权排序，优先执行最可能暴露问题的核心用例。
覆盖缺口智能补齐
对受影响但尚无用例覆盖的孤岛路径，联动智能用例生成与智能接口测试能力，自动生成补充用例草案。
工作流程
读取变更与上下文
从 Pull Request、Git 提交或需求单读取 Diff 代码，同步关联需求条目与 OpenAPI 契约。
构建智能代码图谱
沿着函数调用链与接口上下游依赖向外遍历，圈定受影响的接口、前端组件与核心业务流程。
生成精准回归清单
依据智能代码覆盖率基线，筛选必须执行的测试集合，标注可安全跳过的用例，并标记未覆盖风险路径。
执行并反馈证据
并发执行选定用例，将测试结果、增量覆盖率雷达图与缺陷证据回传至 PR 评审与质量中台。
可以获得什么
- 回归集缩减 50%~80%：从无脑全量回归转为精准按改动选例，大幅降低 CI 队列排队时间
- 清晰可解释：每个 PR 均能获得“改动哪些文件 → 关联哪些接口/页面 → 选中哪些用例 → 缺哪些用例”的完整链路报告
- 风险阻断：自动识别并标记高风险未覆盖分支，拦截潜在缺陷逃逸
- 算力节省：大幅减少无用重复跑批，降低云端测试机与 CI Runner 成本
常见问题
什么是智能代码知识图谱？它如何帮助测试？
智能代码知识图谱是通过静态代码解析与动态链路追踪，将代码中的仓库、模块、类、方法、REST/RPC 接口、数据库表以及对应的测试用例构建为一张多维关联网络。在代码发生变更时，图谱能在几毫秒内推导出所有直接与间接影响链路，从而让测试人员和 Agent 拥有全局视角，精准定位该测什么。
什么是智能代码覆盖率？和传统代码覆盖率有什么不同？
传统覆盖率往往只是流水线结束后的静态全量行覆盖百分比，无法指导具体改动该怎么测。智能代码覆盖率支持：1) 针对 PR/Commit 的增量代码行与分支覆盖统计；2) 合并单元测试、接口测试与 UI 端到端测试的三层混合覆盖率；3) 精确指示哪些变更代码未被覆盖，并能把未覆盖路径直接推送给 Agent 自动补写用例。
变更影响分析和精准测试是一回事吗？
精准测试传统上侧重基于代码行/分支覆盖率做用例与代码的逆向映射；变更影响分析体系更加立体，综合了代码 AST 语法树、函数调用图谱、OpenAPI 契约依赖、线上微服务网关流量日志以及历史失败率，不仅能精准挑选该跑什么，还能洞察未覆盖盲区并指导 AI 补写用例。
精准回归会不会漏测？
通过保守型调用链扩展算法与多重防护机制降低风险：1) 向上向下递归遍历间接依赖；2) 涉及核心公共库、底层中间件或数据库 Schema 变更时自动升级全量回归策略；3) 始终保留基线 P0 核心冒烟用例兜底。
需要接入哪些数据才能做变更影响分析？
基础阶段仅需 Git 代码仓库与提交 Diff、接口定义及测试用例；进阶阶段接入 JaCoCo / Istanbul / Coverage.py 等覆盖率探针与 APM 链路追踪日志后，分析精准度可达 95% 以上。
如何与 GitHub Actions、GitLab CI 或 Jenkins 结合？
在 PR / MR 创建或代码推送事件触发时，智测 OpenQA 变更分析作为前置 CI Step 运行，几秒内计算出用例清单并分发执行，测试结果与证据通过 Bot 评论或 Check Run 直接回写到代码评审界面。